CG020 Genomika
Bi7201 Základy genomiky
Přednáška 1
Úvod do bioinformatiky
Jan Hejátko
Funkční genomika a proteomika rostlin,
Mendelovo centrum genomiky a proteomiky rostlin,
Středoevropský technologický institut (CEITEC), Masarykova univerzita, Brno
hejatko@sci.muni.cz, www.ceitec.muni.cz
 Schéma předmětu
 Definice
 Role BIOINFORMATIKY v současném pojetí FUNKČNÍ GENOMIKY
 Databáze
 Spektrum „on-line“ zdrojů
 PRIMÁRNÍ, SEKUNDÁRNÍ a STRUKTURÁLNÍ databáze
 GENOMOVÉ zdroje
 Analytické nástroje
 Vyhledávání homologií
 Vyhledávání sekvenčních motivů, otevřených čtecích rámců, restrikčních
míst….
 Další www genomové nástroje
Osnova
Schéma předmětu
 Kapitola 01
 Úvod do bioinformatiky
 Kapitola 02
 Identifikace genů
 Kapitola 03
 Přístupy reverzní genetiky
 Kapitola 04
 Přístupy genetiky přímé
Schéma předmětu
 Kapitola 05
 Přístupy funkční genomiky
 Kapitola 06
 Protein-protein interakce a jejich analýza
 Kapitola 07
 Moderní postupy funkční genomiky
 Kapitola 08
 Strukturní genomika
Schéma předmětu
 Kapitola 09
 Lokalizace genů a genových produktů v buňce
 Kapitola 10
 Genomika a systémová biologie
 Kapitola 11
 Praktické aspekty funkční genomiky
 Kapitola 12
 Nástroje systémové biologie
 Modelové organismy, PCR a zásady navrhování primerů
 Zdrojová literatura ke kapitole I:
 Bioinformatics and Functional Genomics,
2009, Jonathan Pevsner, Willey-Blackwell,
Hobocken, New Jersey
http://www.bioinfbook.org/index.php
 Úvod do praktické bioinformatiky, Fatima
Cvrčková, 2006, Academia, Praha
 Plant Functional Genomics, ed. Erich
Grotewold, 2003, Humana Press, Totowa, New
Jersey
Literatura
 Schéma předmětu
 Definice
Osnova
 V širším pojetí-zkoumá STRUKTURU a FUNKCI genomů
 V užším pojetí zkoumá FUNKCI jednotlivých genů FUNKČNÍ
GENOMIKA
 používá zejména přístupy REVERZNÍ GENETIKY
 Předpokladem je znalost genomu (sekvencí)práce
s databázemi
GENOMIKA-co to je?
3 : 1
Přístupy „klasické“ genetiky „Reverzně genetický“ přístup
?
inzerční mutageneze
5‘TTATATATATATATTAAAAAATAAAATAAAA
GAACAAAAAAGAAAATAAAATA….3‘
GENOMIKA-co to je?
role BIOINFORMATIKY ve FUNKČNÍ GENOMICE
BIOINFORMATIKA
FUNKČNÍ GENOMIKA
 Schéma předmětu
 Definice
 Role BIOINFORMATIKY v současném pojetí FUNKČNÍ GENOMIKY
Osnova
 Definice bioinformatiky (podle NIH vědeckého a technologického
konsorcia pro biomedicínské informace)
Výzkum, vývoj nebo aplikace výpočetních nástrojů a přístupů za
účelem zvyšování rozvoje využití biologických, lékařských, dat o
chování nebo zdraví, včetně těch, které umožňují taková data získávat,
ukládat, organizovat, archivovat, analyzovat nebo vizualizovat.
Bioinformatika
• Interface of biology and computers
• Analysis of proteins, genes and genomes
using computer algorithms and
computer databases
• Genomics is the analysis of genomes.
The tools of bioinformatics are used to make
sense of the billions of base pairs of DNA
that are sequenced by genomics projects.
What is bioinformatics?
J. Pevsner,
http://www.bioinfbook.org/index.php
 Bioinformatika ve funkční genomice
 Zpracování a analýza sekvenačních dat
 Identifikace referenčních sekvencí
 Identifikace genů
 Identifikace homologů, ortologů a paralogů
 Korelační analýzy mezi genomy a fenotypy (včetně člověka)
 Zpracování a analýza transkripčních dat
 Transkripční profilování pomocí DNA čipů nebo next-gen
sekvenování
 Vyhodnocování experimentálních dat a predikce nových
regulací v přístupech systémové biologie
 Matematické modelování genových regulačních sítí
Bioinformatika
 Schéma předmětu
 Definice
 Role BIOINFORMATIKY v současném pojetí FUNKČNÍ GENOMIKY
 Databáze
 Spektrum „on-line“ zdrojů
Osnova
Spektrum on-line zdrojů
 EBI http://www.ebi.ac.uk/services
Spektrum on-line zdrojů
 NCBI http://www.ncbi.nlm.nih.gov/
Spektrum on-line zdrojů
 Schéma předmětu
 Definice
 Role BIOINFORMATIKY v současném pojetí FUNKČNÍ GENOMIKY
 Databáze
 Spektrum „on-line“ zdrojů
 PRIMÁRNÍ, SEKUNDÁRNÍ a STRUKTURÁLNÍ databáze
Osnova
 EMBL
 http://www.ebi.ac.uk/embl/
 GenBank,
 http://www.ncbi.nih.gov/Genbank/GenbankSearch.html
 DDBJ,
 http://www.ddbj.nig.ac.jp
 zahrnují soubory primárních dat – sekvencí DNA a proteinů
 Sekvence v databázích tzv. „Velké trojky“:
 denně vzájemná výměna a zálohování dat
 velká datová náročnost (kapacita i software)
 září 2003 27,2 x 106 záznamů o zhruba 33 x 109 bp
 srpen 2005 100 x 109 bp ze 165.000 organizmů
Primární databáze
Growth of GenBank
Year
BasepairsofDNA(millions)
Sequences(millions)
1982 1986 1990 1994 1998 2002
J. Pevsner,
http://www.bioinfbook.org/index.php
Growth of GenBank + Whole Genome Shotgun
(1982-November 2008): we reached 0.2 terabasesNumberofsequences
inGenBank(millions)
BasepairsofDNAinGenBank(billions)
BasepairsinGenBank+WGS(billions)
0
20
40
60
80
100
120
140
160
180
200
1982 1992 2002 2008
J. Pevsner,
http://www.bioinfbook.org/index.php
Growth of GenBank
Feb 15 2013
WGS
Interactive concepts in biochemistry, Rodney Boyer, Wiley,
2002, http://www.wiley.com//college/boyer/0470003790/
Arrival of next-generation sequencing:
In two years we have gone from 0.2 terabases to
71 terabases (71,000 gigabases) (November 2010)
J. Pevsner,
http://www.bioinfbook.org/index.php
 zahrnují soubory primárních dat – sekvencí DNA a proteinů
 Proteinové sekvence:
 PIR, http://pir.georgetown.edu/
 MIPS, http://www.mips.biochem.mpg.de
 SWISS-PROT, http://www.expasy.org/sprot/
Primární databáze
 standardní nukleotidové sekvence získané kvalitním
sekvencováním
 Typy sekvencí v primárních databázích
 ESTs (Expressed Sequence Tags)
 HGTS (High Throughput Genome Sequencing)
- neanotované „surové“ výsledky sekvenačních projektů
 referenční sekvence anotovaných genomů
 TPAs (Third Party Annotation)
- sekvence anotované jinými než původními autory
Primární databáze
GenBank (NCBI) http://www.ncbi.nlm.nih.gov/
Primární databáze
Primární databáze
Primární databáze
Přístupový
kód
Primární databáze
Primární databáze
What is an accession number?
An accession number is label that used to identify a sequence. It is a string of letters
and/or numbers that corresponds to a molecular sequence.
Examples (all for retinol-binding protein, RBP4):
X02775 GenBank genomic DNA sequence
NT_030059 Genomic contig
Rs7079946 dbSNP (single nucleotide polymorphism)
N91759.1 An expressed sequence tag (1 of 170)
NM_006744 RefSeq DNA sequence (from a transcript)
NP_007635 RefSeq protein
AAC02945 GenBank protein
Q28369 SwissProt protein
1KT7 Protein Data Bank structure record
protein
DNA
RNA
Page 27
J. Pevsner,
http://www.bioinfbook.org/index.php
NCBI’s important RefSeq project:
best representative sequences
RefSeq (accessible via the main page of NCBI)
provides an expertly curated accession number that
corresponds to the most stable, agreed-upon “reference”
version of a sequence.
RefSeq identifiers include the following formats:
Complete genome NC_######
Complete chromosome NC_######
Genomic contig NT_######
mRNA (DNA format) NM_###### e.g. NM_006744
Protein NP_###### e.g. NP_006735
Page 27
J. Pevsner,
http://www.bioinfbook.org/index.php
RefSeq
Accession Molecule Method Note
AC_123456 Genomic Mixed Alternate complete genomic
AP_123456 Protein Mixed Protein products; alternate
NC_123456 Genomic Mixed Complete genomic molecules
NG_123456 Genomic Mixed Incomplete genomic regions
NM_123456 mRNA Mixed Transcript products; mRNA
NM_123456789 mRNA Mixed Transcript products; 9-digit
NP_123456 Protein Mixed Protein products;
NP_123456789 Protein Curation Protein products; 9-digit
NR_123456 RNA Mixed Non-coding transcripts
NT_123456 Genomic Automated Genomic assemblies
NW_123456 Genomic Automated Genomic assemblies
NZ_ABCD12345678 Genomic Automated Whole genome shotgun data
XM_123456 mRNA Automated Transcript products
XP_123456 Protein Automated Protein products
XR_123456 RNA Automated Transcript products
YP_123456 Protein Auto. & Curated Protein products
ZP_12345678 Protein Automated Protein products
NCBI’s RefSeq project: many accession number
formats for genomic, mRNA, protein sequences
J. Pevsner,
http://www.bioinfbook.org/index.php
Primární databáze
Primární databáze
 PROSITE, http://www.expasy.org/prosite/
 databáze funkčních nebo strukturálních motivů získaných srovnáváním
primárních dat (sekvencí)
Sekundární databáze
 PROSITE, http://www.expasy.org/prosite/
 databáze funkčních nebo strukturálních motivů získaných srovnáváním
primárních dat (sekvencí)
Sekundární databáze
 PROSITE, http://www.expasy.org/prosite/
 databáze funkčních nebo strukturálních motivů získaných srovnáváním
primárních dat (sekvencí)
Sekundární databáze
 databáze funkčních nebo strukturálních motivů získaných srovnáváním
primárních dat (sekvencí)
 PRINTS, http://www.bioinf.man.ac.uk/dbbrowser/PRINTS/
Sekundární databáze
 TRANSFAC http://www.gene-regulation.com/
Sekundární databáze
Scaffold/Matrix Attached Region transaction Database
 PDB http://www.rcsb.org/pdb/
Strukturální databáze
 PDB http://www.rcsb.org/pdb/
Strukturální databáze
 PDB http://www.rcsb.org/pdb/
Strukturální databáze
Pekárová et al., Plant Journal (2011)
 Schéma předmětu
 Definice
 Role BIOINFORMATIKY v současném pojetí FUNKČNÍ GENOMIKY
 Databáze
 Spektrum „on-line“ zdrojů
 PRIMÁRNÍ, SEKUNDÁRNÍ a STRUKTURÁLNÍ databáze
 GENOMOVÉ zdroje
Osnova
 Human Genome Browser http://genome.ucsc.edu/cgi-bin/hgGateway
Genomové zdroje
Genomové zdroje
 Human Genome Browser http://genome.ucsc.edu/cgi-bin/hgGateway
Genomové zdroje
 Human Genome Browser http://genome.ucsc.edu/cgi-bin/hgGateway
Genomové zdroje
 Human Genome Browser http://genome.ucsc.edu/cgi-bin/hgGateway
Genomové zdroje
 Human Genome Browser http://genome.ucsc.edu/cgi-bin/hgGateway
Genomové zdroje
 The Arabidopsis Information Resource (TAIR) http://www.arabidopsis.org
 TAIR, The Arabidopsis Information Resource, http://www.arabidopsis.org
Genomové zdroje
 Role BIOINFORMATIKY v současném pojetí FUNKČNÍ GENOMIKY
 Databáze
 Vyhledávání homologií
 Analytické nástroje
 Spektrum „on-line“ zdrojů
 GENOMOVÉ zdroje
 PRIMÁRNÍ, SEKUNDÁRNÍ a STRUKTURÁLNÍ databáze
 Schéma přednášky
Osnova
 Globální vs. lokální přiřazení
 globální přiřazení pouze u sekvencí, které jsou si podobné a
podobné délky (za cenu vnášení mezer do jedné nebo obou
sekvencí)
 lokální přiřazení umožní identifikaci a srovnání i v případě
porovnávání pouze úseků sekvencí s významnou mírou
podobnosti, např. i při záměně pořadí proteinových domén
během evoluce
Cvrčková, Úvod do praktické bioinformatiky
 globální přiřazení se používá především v případě
mnohačetného přiřazování (CLUSTALW, viz dále)
Analytické nástroje
 Volba správného typu přiřazení pomocí bodového diagramu (dotplot)
 vynesení sekvencí proti sobě
 identifikace shody v okně o dané velikosti (např. 2 bp)
 „odfiltrování“ diagonál o délce menší než je mezní hodnota
(threshold)
Cvrčková, Úvod do praktické bioinformatiky
Analytické nástroje
 příklady srovnání sekvencí pomocí bodového diagramu
 globálně lze srovnávat pouze sekvence A, B
 ostatní sekvence prošly během evoluce záměnou domén a je
nutné je porovnávat lokálně
 bodový diagram lze získat pomocí srovnávání programem
BLAST2 (viz dále)
Cvrčková, Úvod do praktické bioinformatiky
Analytické nástroje
 BLAST http://ncbi.nlm.nih.gov/BLAST/
Analytické nástroje
 Velikost vyhledávacího slova (word size): 10-11 bp, resp. 2-3 aa
 Hodnocení homologie pomocí matice PAM (Point Accepted Mutation) nebo
BLOSUM (BLOcks Substitution Matrix)
 Primární podobnosti (seed matches)
 Rozšiřování oblasti homologie doprava i doleva
 Zobrazení výsledků
MRKEV [delece]
MRKE [záměna]
MRKY [inzerce]
MRAKY M R . K E V
| | | :
M R A K Y
Matice PAM 250
Cvrčková, Úvod do praktické bioinformatiky
BLAST
Basic Local Alignment Search Tool
E= expectancy
value
 „expectancy value“ udává předpokládaný počet sekvencí se stejnou
nebo lepší podobnosti při vyhledávání ve stejně velké databázi
složené z náhodných sekvencí
 výsledek udává frakci totožných a u proteinů i podobných pozic,
příp. počet vložených mezer
BLAST
Basic Local Alignment Search Tool
Primární databáze
BLAST
Basic Local Alignment Search Tool
 vyhledávání podle zdroje (organismu) sekvencí, např. známých genomů
mikroorganismů
 V současnosti existuje celá řad specializovaných verzí programu BLAST
 BLASTP
• vyhledávání podobnosti k proteinu v databázi proteinových
sekvencí
 BLASTN
• vyhledávání podobnosti k nukleotidové sekvenci v databázi
nukleotidových sekvencí
 BLASTX
• vyhledávání podobnosti k proteinu v databázi
nukleotidových sekvencí přeložených do sekvence aa
• další varianty jako např. MEGABLAST pro identifikaci
totožných nebo velice podobných sekvencí (vyhledává
dlouhé podobné úseky nukl. sekvencí)
BLAST
Specializované verze
 TBLASTN
• vyhledávání k sekvenci nukleotidů přeložené do sekvence
aa v databázi proteinů
 TBLASTX
• vyhledávání k sekvenci nukleotidů přeložené do sekvence
aa v databázi nukleotidových sekvencí přeložených do
sekvence aa
 V současnosti existuje celá řad specializovaných verzí programu BLAST
BLAST
Specializované verze
 PSI-BLAST (Position-Specific Iterated Blast)
• PSI-BLAST vytváří pro každé přiřazení tzv. PSSM (position
specific substitution matrix)
• PSSM matice zohledňuje výskyt jedné aminokyseliny ve
stejné pozici se zvýšenou frekvencí u sekvencí
identifikovaných jako podobné v prvním kole pomocí
BLAST, což může znamenat funkční konzervovanost
• Prvním krokem je standardní BLAST, při kterém PSIBLAST
identifikuje skupinu podobných sekvencí s E
hodnotou lepší než minimální hodnota (standardně 0,005)
 V současnosti existuje celá řad specializovaných verzí programu BLAST
BLAST
Specializované verze
 PHI-BLAST (Pattern-Hit InitiatedBlast)
• Sekvenci motivu je třeba vložit pomocí speciálního syntaxu
• [LVIMF] znamená buď Leu, Val, Ile, Met nebo Phe
• Určen k identifikaci specifické sekvence, např. motivu
(pattern) v sekvenci podobných proteinových sekvencí
• - je oddělovník (neznamená nic)
• x(5) znamená 5 jakýchkoliv aminokyselin
• x(3, 5) znamená 3 až 5 jakýchkoliv aminokyselin
BLAST
Specializované verze
 V současnosti existuje celá řada specializovaných verzí programu BLAST
 Příklad vyhledávání pomocí PHI-BLAST
BLAST
Specializované verze
 Role BIOINFORMATIKY v současném pojetí FUNKČNÍ GENOMIKY
 Databáze
 Vyhledávání homologií
 Analytické nástroje
 Spektrum „on-line“ zdrojů
 Vyhledávání sekvenčních motivů, otevřených čtecích rámců,
restrikčních míst….
 GENOMOVÉ zdroje
 PRIMÁRNÍ, SEKUNDÁRNÍ a STRUKTURÁLNÍ databáze
 Schéma přednášky
Osnova
 http://workbench.sdsc.edu/
Analytické nástroje
 http://workbench.sdsc.edu/
Analytické nástroje
 http://workbench.sdsc.edu/
Analytické nástroje
 http://workbench.sdsc.edu/
Analytické nástroje
 http://workbench.sdsc.edu/
Analytické nástroje
 http://workbench.sdsc.edu/
Analytické nástroje
 http://workbench.sdsc.edu/
Analytické nástroje
Analytické nástroje
 VPCR http://grup.cribi.unipd.it/cgi-bin/mateo/vpcr2.cgi
Analytické nástroje
 VPCR http://grup.cribi.unipd.it/cgi-bin/mateo/vpcr2.cgi
 Role BIOINFORMATIKY v současném pojetí FUNKČNÍ GENOMIKY
 Databáze
 Vyhledávání homologií
 Analytické nástroje
 Spektrum „on-line“ zdrojů
 Vyhledávání sekvenčních motivů, otevřených čtecích rámců,
restrikčních míst….
 GENOMOVÉ zdroje
 PRIMÁRNÍ, SEKUNDÁRNÍ a STRUKTURÁLNÍ databáze
 Další www genomové nástroje
 Schéma přednášky
Osnova
 TIGR (The Institute for Genomic Research, http://www.tigr.org/software/)
 Recently part of the J. Craig Venter Institute
Další WWW zdroje
 Online Mendelian Inheritance in Man (OMIM)
Další WWW zdroje
 Role BIOINFORMATIKY v současném pojetí FUNKČNÍ GENOMIKY
 Databáze
 Vyhledávání homologií
 Analytické nástroje
 Spektrum „on-line“ zdrojů
 Vyhledávání sekvenčních motivů, otevřených čtecích rámců,
restrikčních míst….
 GENOMOVÉ zdroje
 PRIMÁRNÍ, SEKUNDÁRNÍ a STRUKTURÁLNÍ databáze
 Další www genomové nástroje
 Schéma přednášky
Shrnutí
Diskuse